PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency

准确而强大的定位和地图构建是大多数自主机器人的重要组成部分。本文提出了一种基于弹性和紧凑的基于点的隐式神经地图表示的SLAM系统，称为PIN-SLAM，用于构建全局一致的地图。我们的方法以测距数据为输入，交替进行本地隐式有符号距离场的增量学习和给定当前局部地图的姿态估计，使用无对应点的点到隐式模型配准。我们的隐式地图基于稀疏可优化的神经点，这些点在闭环时具有固有的弹性和可变形性，随着全局姿态调整而变形。神经点特征也用于检测闭环。大量实验证明，PIN-SLAM对各种环境具有鲁棒性，对不同的测距传感器（如LiDAR和RGB-D相机）具有多样性。PIN-SLAM的姿态估计精度优于或与最先进的LiDAR里程计或SLAM系统相当，并且在保持更一致、高度紧凑的隐式地图的同时，优于最近的神经隐式SLAM方法，这些地图可以重构为准确和完整的网格。最后，由于体素哈希用于高效的神经点索引，以及基于快速隐式地图的配准而无需最近点关联，PIN-SLAM可以在中等GPU上以传感器帧率运行。代码将在https://github.com/PRBonn/PIN_SLAM上提供。

提出一种基于弹性和紧凑的点隐式神经地图表示的SLAM系统，名为PIN-SLAM，用于构建全局一致的地图。

使用稀疏可优化的神经点构建隐式地图，并使用点到隐式模型的无对应关系的模型配准进行姿态估计，同时使用神经点特征检测回路。

实验表明，PIN-SLAM对各种环境具有鲁棒性，适用于不同的传感器，如LiDAR和RGB-D相机。与现有的LiDAR里程计或SLAM系统相比，PIN-SLAM实现了更好或相当的姿态估计精度，并且在保持更一致、更紧凑的隐式地图的同时，优于最近的神经隐式SLAM方法，可以重建准确完整的网格。

相关的研究包括ORB-SLAM、DSO、LIO-SAM、VINS-Mono等。